一种基于端到端学习的通信可达速率检测方法技术

本发明专利技术公开了一种基于端到端学习的通信可达速率检测方法，其步骤包括：1、利用神经网络模型训练计算出对数似然比(LLR)；2、通过梯度下降算法精确计算结果3、根据所求对数似然比计算基于比特译码的信息可达速率——广义互信息(GMI)。本发明专利技术能在保证计算结果准确性的同时大幅度提高计算效率，从而能提高信息可达速率的计算实时性。达速率的计算实时性。达速率的计算实时性。

【技术实现步骤摘要】
一种基于端到端学习的通信可达速率检测方法


[0001]本专利技术涉及通信
，涉及端到端学习和机器学习，尤其涉及一种基于神经网络模型计算对数似然比LLR的广义互信息计算方法。

技术介绍

[0002]近年来，机器学习在通信领域中的应用十分广泛，从编码到信道模型，再到译码，以及调制解调，机器学习都可以得到一定程度的应用，并能取得不错的成效。利用机器学习方法训练神经网络中的一些参数，能够使训练结构趋于最优，从而使计算结果更加准确。
[0003]随着一系列科技革命的进步，通信技术的发展为因特网容量增长做出了重要贡献。然而通信核心网络的容量尚不能满足信息时代人们越来越大的流量需求，为了使信息传输速率接近香农极限，通信系统的信息理论分析显得尤为重要。
[0004]可达信息速率(achievable informationrates,AIR)是一种基于信息论信息度量的性能评价指标，定义为给定信道中能够可靠传输的最大信息量，可以用来评估信道的最大可达传输速率，广义互信息作为一种基于比特译码器编码调制系统的可达信息速率，在实际工程应用中具有重要的现实意义。但现有技术中，由于广义互信息计算需要考虑诸多因素，如信道实际分布，信道维度以及比特间的相互干扰等等，因此现有技术中广义互信息的实际应用较少，并且在实际应用中广义互信息的计算步骤比较复杂，花费时间较长，且无法达到绝对准确，所以对不考虑比特之间关系的另一种可达信息速率——互信息的应用比较多，但相比较而言，由于广义互信息考虑的因素更多，在实际工程应用中更具现实意义。因此，测量信道的广义互信息对于了解信道传输信息能力，评估信道性能具有重要意义。

技术实现思路

[0005]本专利技术是为了解决上述现有技术存在的不足之处，提出一种基于端到端学习的通信可达速率检测方法，以期能保证计算结果准确的同时大幅度提高计算效率，从而能提高广义互信息的计算实时性。
[0006]本专利技术为达到上述专利技术目的，采用如下技术方案：
[0007]本专利技术一种基于端到端学习的通信可达速率检测方法的特点包括：
[0008]步骤1、定义发送端的发送信号序列为s＝{s1,s2,
…
,s
i
,
…
,s
n
}，s
i
表示第i个发送信号，定义接收端的接收信号序列为表示第i个接收信号，i∈[1,n]，n表示序列长度；
[0009]定义接收信号序列中每一个接收信号都映射为长度为m的比特序列，定义接收信号序列映射的第k位比特构成的序列为B
k
＝{B
k,1
,B
k,2
,
…
,B
k,i
,
…
,B
1,n
}，其中，B
k,i
表示接收信号映射的第k位比特，k∈[1,m]，B
k,i
∈{0,1}；
[0010]步骤2、将所述接收信号序列中每个接收信号分成实部和虚部两部分，并作为神
经网络的输入信号序列记为其中，表示输入层即第0层的第2n个输入值；
[0011]令输入层到隐藏层中的节点偏置向量记为其中，表示输入层的第2n个节点的偏置；
[0012]令所述神经网络的输入层、隐藏层的节点个数均为2n个，令所述神经网络的输出层的节点个数为m个；所述隐藏层的层数为H；
[0013]令所述输入层中的2n个节点到第1层隐藏层中的2n个节点的权重矩阵记为其中，表示所述输入层中的第2n个节点到第1层隐藏层中的第2n个节点的权重；
[0014]令任意第h层隐藏层中的2n个节点到第h+1层隐藏层中的2n个节点的权重矩阵记为其中，表示所述第h层隐藏层中的第2n个节点到第h+1层隐藏层中的第2n个节点的权重；
[0015]令第H层隐藏层中的2n个节点到输出层中的m个节点的权重矩阵记为其中，表示所述第H层隐藏层中的第2n个节点到输出层中的第m个节点的权重，h∈[1,H]；
[0016]令任意第h层隐藏层中的节点偏置向量记为其中，表示第h层隐藏层中的第2n个节点的偏置；
[0017]令任意第h层隐藏层的计算结果序列记为其中，表示第h层隐藏层中的第2n个节点的计算结果；
[0018]令第h层隐藏层的线性方程为y
(h)
＝ω
(h)
x
T
+b
(h)
，其中，T表示转置；
[0019]令第h层隐藏层激活后的输出序列x
(h)
＝{x
1(h)
,x
2(h)
,
…
,x
2n(h)
}，其中，表示第h层隐藏层激活后的第2n个输出，且x
(h)
＝f(y
(h)
)，f(
·
)为激活函数；
[0020]将第H层隐藏层激活后的输出序列z
(H)
作为输出层的输入序列，并由所述输出层中的线性方程y＝ω
(H)
(x
(H)
)
T
+b
(H)
输出的计算结果序列为y＝{y1,y2,
…
,y
n
}，其中，y
n
表示输出层的第n个节点输出的计算结果；x
(H)
表示第H层隐藏层激活后的输出序列，b
(H)
表示第H层隐藏层中的节点偏置向量；
[0021]步骤2.1、假定信道分布f
Y|X
(y|x)，利用式(1)所示的最大对数近似方法估计出n个接收信号的二进制映射比特序列的对数似然比序列为其中，表
示n个接收信号映射的第k位比特的对数似然比序列表示第n个接收信号映射的第k位比特的对数似然比，k∈[1,m]；
[0022][0023]式(1)中，分别表示n个接收信号映射的第k位比特判决为1或0的最大概率，f
Y|X
(y|x)表示发送信号为x、接收信号为y的信道转移概率，X，Y分别表示发送和接收信号序列；
[0024]步骤2.2、定义当前迭代次数为I，最大迭代次数为I
max
，初始化I＝1；
[0025]对I＝1时的神经网络中的所有权重矩阵和节点偏置向量进行随机初始化，并将初始化后的权重矩阵和节点偏置向量记为第I次迭代的集合θ
I
＝{ω
(0)
,ω
(1)
,
…
,ω
(H)
；b
(1)
,b
(2)
,
…
b
(H)
}；
[0026]步骤2.3、利用式(2)建立神经网络第I次迭代的损失函数l(θ
I
)：
[0027][0028]式(2)中，表示经过第I次迭代后输出层第k个节点输出的计算结本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于端到端学习的通信可达速率检测方法，其特征包括：步骤1、定义发送端的发送信号序列为s＝{s1,s2,
…
,s
i
,
…
,s
n
}，s
i
表示第i个发送信号，定义接收端的接收信号序列为定义接收端的接收信号序列为表示第i个接收信号，i∈[1,n]，n表示序列长度；定义接收信号序列中每一个接收信号都映射为长度为m的比特序列，定义接收信号序列映射的第k位比特构成的序列为B
k
＝{B
k,1
,B
k,2
,
…
,B
k,i
,
…
,B
1,n
}，其中，B
k,i
表示接收信号映射的第k位比特，k∈[1,m]，B
k,i
∈{0,1}；步骤2、将所述接收信号序列中每个接收信号分成实部和虚部两部分，并作为神经网络的输入信号序列记为其中，表示输入层即第0层的第2n个输入值；令输入层到隐藏层中的节点偏置向量记为其中，表示输入层的第2n个节点的偏置；令所述神经网络的输入层、隐藏层的节点个数均为2n个，令所述神经网络的输出层的节点个数为m个；所述隐藏层的层数为H；令所述输入层中的2n个节点到第1层隐藏层中的2n个节点的权重矩阵记为其中，表示所述输入层中的第2n个节点到第1层隐藏层中的第2n个节点的权重；令任意第h层隐藏层中的2n个节点到第h+1层隐藏层中的2n个节点的权重矩阵记为其中，表示所述第h层隐藏层中的第2n个节点到第h+1层隐藏层中的第2n个节点的权重；令第H层隐藏层中的2n个节点到输出层中的m个节点的权重矩阵记为其中，表示所述第H层隐藏层中的第2n个节点到输出层中的第m个节点的权重，h∈[1,H]；令任意第h层隐藏层中的节点偏置向量记为其中，表示第h层隐藏层中的第2n个节点的偏置；令任意第h层隐藏层的计算结果序列记为其中，表示第h层隐藏层中的第2n个节点的计算结果；
令第h层隐藏层的线性方程为y
(h)
＝ω
(h)
x
T
+b
(h)
，其中，T表示转置；令第h层隐藏层激活后的输出序列x
(h)
＝{x
1(h)
,x
2(h)
,
…
,x
2n(h)
}，其中，表示第h层隐藏层激活后的第2n个输出，且x
(h)
＝f(y
(h)
)，f(
·
)为激活函数；将第H层隐藏层激活后的输出序列z
(H)
作为输出层的输入序列，并由所述输出层中的线性方程y＝ω
(H)
(x
(H)
)
T

【专利技术属性】
技术研发人员：陈斌，方文凯，雷艺，宦正炎，凌未，梁志伟，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：